MobileNet v1&v2&v3 创新点及结构简述

目录

一. 背景

二. MobileNet v1

1. 网络创新点

2. 网络结构

三. MobileNet v2

1. 网络创新点

2. 网络结构

四. MobileNet v3

1. 网络创新点

2. 网络结构

参考

---

一. 背景

MobileNet v1是由google团队在2017年提出的， 专注于移动端或者嵌入式设备中的轻量级CNN网络。 相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。相比VGG16准确率减少了0.9%，但模型参数只有VGG的1/32。

论文地址：MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications

MobileNet v2是由google团队在2018年提出的。

论文地址：MobileNetV2: Inverted Residuals and Linear Bottlenecks

MobileNet v3是由google团队在2019年提出的。

论文地址：Searching for MobileNetV3

二. MobileNet v1

1. 网络创新点

• Depthwise Coinvolution，大大减少运算量和参数数量
• 增加超参数α、β，便于调节网络模型

1.1. Depthwise Coinvolution

基本思想：将标准卷积拆分为两个分卷积，构成深度可分离卷积(Depthwise Separable Convolution)：第一层称为深度卷积(depthwise convolution)，对每个输入通道应用单通道的轻量级滤波器；第二层称为逐点卷积(pointwise convolution)，负责计算输入通道的线性组合构建新的特征。

传统卷积：

• 卷积核通道数 = 输入特征图通道数
• 输出特征图通道数 = 卷积核个数

​​​​​​DW卷积(Depthwise Coinvolution)：  

• 卷积核通道数 = 1
• 输入特征图通道数 = 卷积核个数 = 输出特征图通道数

PW卷积(Pointwise Convolution)：

• 与普通卷积一样，但是卷积核大小为1

深度可分离卷积(Depthwise Separab